基于神经网络的化学品检验系统安全研究

2021-06-16刘璇王坤

电子技术与软件工程 2021年5期

刘璇王坤

（吉林省药品检验所吉林省长春市 130033）

近年来，随着经济和科技的发展，化学品作为基本生产资料和人民生活不可或缺的重要物资，需求量越来越大，化学品的使用也逐渐繁多，其中也有许多危险化学品对环境甚至人身造成伤害，在所发生的化学品事故中，现场化学品的处理成为防止二次事故首要目标，因此对于此类的化学品无论是在运输还是检测、存储的过程中必须进行分类处理，迫切需要系统有效的安全管理。

对于危险化学品的分类和识别，本文采用了人工神经网络法（ANN），人工神经网络的基本模型类似人类神经元中信息传递的过程，通过模拟神经元的方式在计算机上模拟出人类逻辑推理过程，ANN 能够有效解决线性和非线性问题[1]。神经网络算法中BP 算法是采用误差反向传播模型，具有很强的自学能力，可以通过学习后用于对多个危险指标进行系统的评价或者预测。李怀俊[2]针对危化品运输企业建立了BP 神经网络评价模型，实现了自学习的安全评价系统。张光华[3]通过PCA 算法对危化品船舶进行特诊提取，再使用BP 神经网络进行了分类识别，提出了根据已知特征数据通过神经网络的计算来对其进行分类。张嘉亮、杨美芝[4]等创建了一种风险预警模型，划分了不同化学品风险等级并用神经网络对风险预测模型进行了监测。

1 基于化学品检测的BP神经网络算法

1.1 BP神经网络

BP 神经网络是由输入层，隐含层以及输出层构建的一个多层的复合网络结构，在每一层中都有多个神经元即网络节点与下一层的神经元通过权重进行相连，在神经网络的运算过程中分为正向信号传播以及误差的反向传播，二者同时进行。在计算出隐含层以及输出层的输出后，获得对应的误差结果，然后再根据隐含层和输出层中各个神经节点的阈值及权重来对误差进行调整，在误差的反向传播的同时不断更新隐含层和输出层的阈值和权重[5]其误差函数为：

其中，d(k)为期望输出，y(k) 为实际输出。

由此，神经网络的识别流程如图1 所示。

1.2 神经网络结构参数设计

1.2.1 BP 神经网络基本框架的构建

在明确所建立的化学品检验的神经网络的输入层，隐含层以及输出层后，其三层拓扑结构如图2 所示。

上图是一种典型的多层的神经网络。其中，xi(i=1,2…n)组成输入层输入向量：

yi(i=1,2…m)组成输出层的输出向量：

1.2.2 输入层，隐含层以及输出层的设计

图1：化学品检测神经网络识别流程

图2：三层神经网络拓扑结构图

图3：算法下均方误差的收敛

该模型的输入由多个数据指标构成，输出则为相关化学品的危险程度，故输出层节点个数对应样本中指标个数n，输出层为1，而隐含层通常有经验公式[6]来确定：

其中，p 为隐含层的节点数量；m 和n 分别为输出和输入层的节点个数；a 为区间[1,10]内任意常数。

1.2.3 选取激励函数

激励函数是神经网络中各个层次节点之间信息传递的一个重要手段，通常隐含层的神经元有两种S 型传递函数（logsig，tansig），而输出层的神经元多采用的传递函数是一种线性函数（purelin）。

本文隐含层选用S 型传递函数中的tansig 函数，输出层选用则为线性传递函数purelin。神经网络模型确定后通过调用神经网络工具箱中的"newff" 函数来构建自定义的神经网络，并使用基本的MATLAB 语言和矩阵运算来实现网络构建和训练的过程。

2 基于BP神经网络的化学品安全检验系统模型建立

2.1 影响化学品安全因素选取

化学品的安全性除本身所带有的危险性之外还与诸多因素有关，赋予化学品所处在危险的等级区分，能够更好的实现对不同危险等级采取不同的安全保护措施。对于化学品的危险性主要有化学品的物理以及化学特性，存储环境因素等[7]。本文选取化学品易燃性，刺激性，环境危害性，毒性，人体损伤性等量化指标进行分析。形成300 组数据样本，并将数据输入至建立好的神经网络中进行网络训练。在神经网络学习完成后，通过60 组测试样本进行测试，来确定所建立模型的有效性。其中，本文拟出化学品安全等级划分如表1 所示。